一种新的BP学习算法及在运动想象脑电信号分类识别中的应用

对运动想象(MI)脑电信号的正确分类是决定基于运动想象脑电的脑－机接口(BCI)性能的关键因素。为有效地提取MI脑电信号特征、提高分类正确率,提出一种基于单形进化的BP神经网络优化算法(BPSSSE)并运用于MI脑电信号的识别,提取自相关(AR)模型参数和希尔伯特边际谱作为特征输入,通过单形进化算法优化BP神经网络学习性能,实现对MI脑电信号的分类。测试实验中,对BCI竞赛数据进行左右手分类。结果表明在4s~ 8s时间段内平均分类正确率为80.17%,最高分类正确率为87.14%,证明了本文算法在基于MI脑电的脑机交互控制系统中应用研究的有效性和可行性。     

改进的BP神经网络在运动想象脑电分类研究中的应用

传统BP神经网络算法由于自身结构设置导致反馈调节能力不甚理想,在运动想象（MI）脑电信号多分类问题上的鲁棒性与识别性能提升上还有待进一步优化。本文研究并应用了基于粒子群算法（PSO）与蝙蝠算法（BA）的改进BP神经网络,经过初始编码序列寻优实现对原始BP神经网络的权值与阈值的更新,进而提升BP算法在MI脑电信号中的分类识别能力。对08年BCI竞赛数据MI脑电信号的包络幅值特征进行四分类,平均结果为96.25%;实验室采集的MI脑电数据作进一步验证,二分类准确率为89.25%。实验结果表明BA-BP模型分类精度相较于PSO-BP方法提高了约24%,迭代效率提升了约50%,一定程度上抑制BP神经网络算法局部最优的出现,为脑电信号的多分类识别问题解决提供了一种新的途径。     

运动想象脑电信号特征提取与分类算法研究

针对运动想象脑电信号特征提取困难,分类正确率低的问题,提出了利用小波熵进行特征提取并采用支持向量机（SVM）来分类的算法。计算运动想象脑电信号的功率,通过理论分析选择小波包尺度,对信号功率进行小波包分解并计算其小波包熵（WPE）,提取C3、C4导联的小波包熵插值组成特征向量,将特征向量作为分类器的输入送入支持向量机进行分类。采用国际BCI竞赛2003中的Graz数据进行验证,算法的最高分类正确率达97.56%。算法特征向量维数低、数据量小、分类正确率高,对运动想象脑电信号特征提取及分类的任务可以提供参考方法。     

用于脑-机接口P300实验的支持向量机分类方法

脑-机接口(BCI)技术利用脑电来实现无动作的人机交互.P300字符拼写范式是利用脑电信号实现文字选择输入的一种重要BCI实验范式,它通过对EEG中的P300信号的检测和识别,来推断试验对象(被试)对字母的注意选择.以2005年脑一机接口竞赛中的一组P300字符拼写实验数据为处理对象,采用支持向量机(SVM)的机器学习方法进行算法设计,对信号通道进行了筛选,并采用较少的EEG通道数据进行处理.另外,通过调整参与训练的数据集大小,扩大了v-SVM中参数v的取值范围,更有利于分类器设计.通过上述策略,提高了该BCI实验范式中的系统总体分类精度.上述方法对于测试集字符最佳识别正确率可达到89%,相比于我们参加该届竞赛时所用的线性分类器(LDA),字符识别正确率提高了3%.     

自适应级联神经网络对脑电信号分类的研究

为克服神经网络受噪声和冗余特征的影响而出现过拟合,提出一种自适应级联神经网络(ACNN)及学习算法.ACNN从少量特征开始学习,在学习过程中根据特征对分类的有效性增加新特征,用映射递归算法调节权值,逐步确定网络结构,使其含有最少数目的输入和隐层神经元.此方法应用于区分两种思维状态下的脑电信号(EEG),经训练的网络对测试段的分类正确率为83.1%,与文献[1]中采用BP网络的结果相比,显示了ACNN较好的分类能力.     

脑电信号多特征融合与卷积神经网络算法研究

针对脑电信号（electroencephalogram,EEG）运动想象中单一特征无法多维表征信号中的信息导致的分类准确率不高的问题,提出一种基于样本熵和共空间模式特征融合的特征提取算法。算法先对原始脑电信号进行小波包分解,从中选择包含μ和β节律的分量进行重构,然后分别提取重构信号的样本熵和CSP(common spatial pattern,CSP)特征,将两者融合组成新的特征向量,使用所设计的一维卷积神经网络对其进行识别获得分类结果。所提方法在2003年BCI Dataset Ⅲ中获得了91.66%的分类准确率,在2008年BCI Dataset A中获得了85.29%的平均分类准确率。与近年来文献中提出的多特征融合算法相比,准确率提高了7.96个百分点。     

基于多参数公共空间频率模式算法的脑电特征提取

针对目前脑机接口中提取明显的脑电信号特征较难以及特征维数较多的缺陷,提出了一种多参数的公共空间频率模式CSSP(Common Spatio-Spectral Pattern)算法对脑电信号进行特征提取。该算法对不同通道的脑电信号采取不同的延时因子,增强了CSSP算法在频域上的滤波效果。在对2003年国际脑机接口BCI(Brain Computer Interface)竞赛的运动想象脑电识别中,利用多参数CSSP特征提取方法结合支持向量机SVM(Support Vector Machine)分类方法,在只提取两维特征的情况下,较公共空间模式CSP(Common Spatial Pattern)与CSSP算法,分类的正确率有了明显提高。同时,多参数的引入使该方法在特征提取上较CSP与CSSP算法具有更强的适用性。     

基于多特征和BP神经网络的脑-机接口研究

研究了一种基于运动想象识别的脑-机接口(BCI)系统,通过提取想象过程中的脑电信号(EEG)中Alpha波特征,采用多特征分类的方法,以提高脑-机接口系统运动想象识别的正确率。针对脑电信号单特征分类精确度低、耗时长等缺点,采用自回归模型法、统计特征提取和频域分析的方法对Alpha波提取多个特征值,利用BP神经网络进行分类,对运动想象进行识别。通过实验验证了其识别率较高,取得了预期的效果,证明了多特征融合结合BP神经网络运用于脑机接口系统的可行性。     

支持向量机在脑电信号分类中的应用

首先采用小波变换提取精神分裂症与健康人的脑电信号频率和空间的能量特征,然后用基于统计学习理论的支持向量机(SVM)分类器进行训练和分类测试,并比较了不同核函数和参数对脑电信号分类正确率的影响,最后与RBF神经网络的分类能力进行了实验比较。试验结果表明,利用基于支持向量机和能量特征的方法实现对脑电信号的分类可以取得理想的效果,精神分裂症患者和健康人的16导脑电信号在能量特征上表现出较高的模式可分性。这种分类方法在精神分裂症患者的病理诊断中具有一定的应用价值。     

基于EMD和LVQ的信号特征提取及分类方法

针对非平稳、非线性、微弱信号难以分析和处理的特点,本文提出了一种基于经验模式分解和学习向量量化神经网络的信号处理和分类方法,并在生物信号处理领域(左、右手运动想象的脑电信号)进行了研究和应用.首先通过经验模式分解算法对脑电信号分解,然后选取主要固有模态函数分量并计算其绝对均值作为特征值,最后使用学习向量量化网络进行分类,并分别与支持向量机和误差反向传播神经网络分类算法进行了对比研究.实验结果表明,所提出的算法分类正确率达到了87％,相比于其余两种对比算法在特定的信号处理领域优越,具有一定的参考和研究价值.     

基于改进EMD的运动想象脑电信号识别算法研究

针对现有的单一特征提取算法对运动想象脑电信号识别率不高的问题,提出一种以相关系数改进的经验模态分解(EMD)的特征提取算法。对已有的BCI竞赛数据中C3、C4两个通道脑电数据进行预处理,之后通过EMD对脑电信号进行分解,得到IMF分量。通过计算原始信号与各阶IMF分量之间的相关系数,选择具有较大相关系数的IMF作为特征,由这些IMF分量的能量特征和平均幅值差来组成脑电信号的特征。使用支撑矢量机分类器(SVM)对左右手运动想象脑电信号进行分类。实验结果表明,基于相关系数改进的EMD脑电信号的处理方法明显优于只用EMD的脑电处理方法,得到的最高正确识别率为88.57%。从而证明了该方法的有效性。     

基于降噪自编码神经网络的事件相关电位脑电信号分析方法

提出一种基于降噪自编码神经网络事件相关电位分析方法,首先建立3层神经网络结构,利用降噪自编码对神经网络进行初始化,实现了降噪自编码深度学习模型的无监督学习.从无标签数据中自动学习数据特征,通过优化模型训练得到的权值作为神经网络初始化参数.其次,经过有标签的样本进行网络参数的微调即可完成对神经网络的训练,该方法有效解决了神经网络训练中因随机选择初始化参数,而导致网络易陷入局部极小的缺陷.最后,利用上述神经网络对第3届脑机接口竞赛数据集Data set Ⅱ(事件相关电位脑电信号)进行分类分析.实验结果表明:利用降噪自编码迭代2500次训练神经网络模型,在受试者A和受试者B样本数据叠加5次、10次、15次3种情况下获得的分类准确率分别为73.4%, 87.4%和97.2%.该最高准确率优于其他分类方法,比竞赛第1名联合支持向量机(SVM)分类器(ESVM)提高了0.7%,为事件相关电位脑电信号提供了一种深度学习分析方法.     

具有在线自学习能力的脑电信号分类方法

脑电信号具有时变性、个体差异性且容易受身体状态、心情、体位等因素影响的特点,传统的BP网络分类器难以适应动态脑电特征的变化致使在线分类效果急剧下降;文章提出一种具有在线自学习能力的脑电信号分类方法;该方法将BP网络作为传统Ada-Boost集成学习框架下的弱分类器,形成BP_AdaBoost基本网络分类器;进而,引入遗忘因子改进AdaBoost算法,通过改变样本的初始权重增强其时间相关性,获得BP_AdaBoost分类器;并进一步借鉴半监督的思想增加基于K近邻规则的自评判反馈环节,提高获取新增样本确切标签的能力,适时增加训练样本信息;最后,以国际BCI竞赛数据集为基础,采用Hilbert-Huang变换提取脑电特征进行了仿真实验;结果表明:文章提出的分类方法对时间、个体均具有较好的自适应能力和稳健性,与传统BP神经网络相比分类正确率提高约23.42%。     

小波包熵和BP神经网络在意识任务识别中的应用

探索了小波包熵和BP神经网络在识别左右手想象运动中的作用.采用脑-机接口2003竞赛中Graz科技大学提供的脑电数据,计算C3、C4电极8～16Hz频带脑电信号的小波包熵,将其作为反应想象左右手运动的特征量,用BP神经网络对大脑想象左右手运动任务进行分类,最大分类正确率可达88.57%,与使用线性判别式算法分类结果相比,效果更好.脑电信号小波包熵随时间的变化与事件相关去同步和事件相关同步现象相一致,可在线识别左右手想象运动,为大脑运动意识任务的特征提取及肢残患者的临床康复提供了新思路.     

基于PCA融合PSO-SVM的运动想象脑电信号分类方法

运动想象脑电信号的分类识别是当前脑机接口(BCI)技术面临的难点。针对该问题,提出一种融合主成分分析(PCA)和粒子群优化-支撑向量机(PSO-SVM)的运动想象脑电信号分类方法。首先利用PCA对采集到的高维脑电信号进行分析,剔除其中噪声分量并提取三维反应不同脑电信号差异特性的特征向量。然后利用SVM对特征向量进行分类,同时针对SVM分类性能受核参数影响较大的问题,利用PSO算法的全局寻优能力对其进行优化,从而提升SVM的分类性能。最后采用BCI竞赛中所用Graz数据进行实验,结果表明所提的PCA融合PSO-SVM方法可以获得95.3%的分类性能,在低信噪比条件下具有鲁棒性和较高的应用前景。     

基于小波变换和AR参数模型的脑电信号识别方法

为了实现脑-计算机接口(Brain-computer interface,BCI)系统,对运动脑电信号的特征进行了提取和分类。将多路脑电信号进行CAR(Common average reference)滤波后,利用小波变换和AR参数模型提取特征并使用基于马氏距离的线性判别分析对运动脑电信号进行分类。结果表明,该方法提取的特征向量较好地反应了脑电信号的事件相关去同步(Event-related desynchronization,ERD)和事件相关同步(Event-related synchronization,ERS)的变化时程,为BCI研究中脑电信号的模式识别提供了有效的手段。     

基于神经网络集成的思维脑电信号分类方法

提出基于神经网络集成算法的思维脑电信号分类方法,采用BP神经网络为分类器,对用AR参数提取的思维脑电特征进行分类。为进一步提高BP神经网络的分类性能,采用Bagging算法对BP神经网络分类器进行加权投票,实验表明,提出的方法具有很好的分类效果。     

想象左右手运动的脑电特征提取

针对脑机接口中脑电信号特征提取的传统方法特征数量多、计算量大及分类正确率低等不足,提出了一种基于时域、频域、空域结合的方法用于提取大脑在想象左右手运动时所产生的事件相关去同步(ERD)和事件相关同步(ERS)信号.分别用独立分量分析(Independent Component Analysis, ICA)和小波变换提取原始脑电信号的空域特征及时频域特征,并用BP(Back Propagation )神经网络对提取的特征进行分类.分类实验结果表明,运用提出的方法提取的想象左右手运动脑电的特征,有效克服了传统的仅基于时频域特征提取方法在描述脑电信号本质特征方面的不足,具有较好的分类正确率.     

改进孪生网络的脑电信号处理方法

针对运动想象脑机接口系统中分类准确率低的问题,提出一种改进孪生网络的脑电信号分类方法,把原孪生网络中的两个子网络扩充成3个子网络,并设计了新的学习样本采集方法和距离函数;脑电信号经过小波变换及经验模态分解,利用自相关系数筛选得到预处理后的小波分量,然后随机分割成训练集和测试集,从训练集中按照新的学习样本采集方法获得学习样本集,将其输入3个权重共享的子网络进行训练,使用新的距离函数进行相似度的对比,最后计算测试样本特征与训练集中标签为1和标签为0样本特征相似度,选择最高相似度样本标签作为该待测样本的类别;通过对国际公开BCI Competition Ⅱ Data set Ⅲ和The largest SCP data of Motor-Imagery数据集进行仿真,此算法分类准确率高达94.29%;与现有性能较高的算法进行对比,其有效的提高了分类准确率,能更好地进行脑电信号分类识别。     

多类运动想象脑电信号特征提取与分类

针对多类运动想象情况下存在的脑电信号识别正确率比较低的问题,提出了一种基于小波包特定频段的小波包方差,小波包熵和共同空间模式相结合的脑电信号特征提取的方法,并将特征向量输入到支持向量机中达到分类的目的;首先选择重要导联的脑电信号,进行特定频段的小波包去噪和分解;其次对通道优化的重要导联的每个通道信号计算小波包方差和小波包熵值作为特征向量;然后对所有重要导联的分解系数重构并进行共同空间模式特征提取;最后结合2种不同导联方式所获取的特征向量作为分类器的输入进行分类;采用BCI2005desc_IIIa中l1b数据进行验证,该算法的分类正确率最高达到88.75%,相对2种单一的提取方法分别提高28.27%和6.55%;结果表明该算法能够有效提取特征向量,进而改善多类识别正确率较低的问题。